基于大數據的網絡信息傳輸安全態勢感知算法

張國萍

（廣州華商職業學院，廣東廣州 511300）

近幾年來，外界對能源和電力的網絡攻擊不斷增加，而國家電網公司是供電的核心，電網安全關系到國家經濟安全，電網信息化建設水平和速度在各行業中都處于前列，安全保障體系建設一直是電網信息化建設的重點[1-2]。

對于解決網絡安全威脅問題，網絡信息傳輸安全態勢感知算法有重要意義，安全態勢感知算法能夠很好地分析出網絡的健康狀態，并且利用全流量分析對數據進行追蹤和取證，從而提出更加可靠的安全應對措施[3]。

該文針對電力信息系統在大數據環境下所面臨的安全威脅和各種網絡攻擊，對網絡安全態勢感知與主動防御技術進行了研究。將全流數據收集器部署到公司的網絡出口信息中，收集各類數據，例如安全日志、網絡流量、攻擊情況等，使用高性能處理器處理和存儲數據，并利用大數據技術對攻擊數據包進行回溯分析，并以圖形直觀地顯示攻擊情況，從而發出攻擊預警。

1 網絡信息傳輸安全態勢感知架構設計

通過對時間和空間的外部信息分析，研究信息的內部因素和外部因素，對未來傳輸趨勢進行預測，安全感知態勢模型如圖1 所示。

圖1 安全態勢感知模型

根據圖1 的安全態勢感知模型可知，在進行網絡安全態勢感知工作的過程中，系統會自動提取網絡安全態勢因子，并對網絡安全態勢進行評估，通過評估實現態勢預測[4-5]。

就目前發展來看，針對智能電網的安全態勢感知仍然存在一些問題，最主要的問題有兩點：1）很難對信息進行融合；2）即使完成融合也難以將信息建模和電力系統的復雜行為結合到一起。當前的智能電網網絡模型越來越豐富，因此攻擊范圍更大，分布式的布局方式增加了網絡防控的難度，而網絡狀況的隨機性和不確定性，使網絡安全態勢感知難以呈現線性關系，普通的計算方式無法解決上述問題[6-7]。綜上所述，該文基于大數據方法研究了一種新的網絡信息傳輸安全態勢感知架構，如圖2 所示。

圖2 網絡信息傳輸安全態勢感知架構

根據圖2 可知，采集器主要負責從前端安全服務器上采集IDP、IDS、TSA 等服務器的數據[8-10]。

預處理服務器對各采集服務器上報的數據進行匯總，統一規范地處理各采集服務器上報的數據。所收集的數據經整理后，儲存于不同的存儲系統，以滿足不同的業務需求。

在Hadoop 服務器上存儲處理過的數據，利用Hadoop的存儲和分析能力，進行相關的數據統計和數據挖掘，然后導入檢索引擎，供Web服務器查詢[11-12]。

網絡數據庫服務器主要負責存儲態勢感知，分析預警平臺系統的業務功能，網絡顯示服務器主要負責根據業務功能和威脅進行數據分析和管理，利用態勢感知和基于基本數據的預警平臺系統來實現數據可視化。

該文設計的網絡信息傳輸安全態勢架構具有很強的數據采集能力，能夠采集電氣設備數據、變電站總線數據和網絡設備的信息數據，在完成采集后，將所有的數據都匯集到安全態勢感知中心，利用模糊聚類方法初步分析各項采集數據，該文引入博弈理論和強化學習理論對網絡信息的傳輸安全態勢感知進行分析[13]。

2 網絡信息傳輸安全態勢感知算法

在智能大數據的信息傳輸過程中，信息傳輸的安全性涉及諸多因素，對網絡信息傳輸進行安全態勢感知需要對影響信息傳輸的因素進行感知和分析處理。首先，可以采用模糊聚類方法對涉及信息傳輸安全態勢的因素進行識別，根據不同因素之間的關聯關系和緊密程度進行判斷和分類[14-15]。將采集到的信息數據整合為一個數據集，作為運算樣本集合，對集合中的數據進行預處理，篩選數據集中存在缺漏或模糊的數據信息，標準化處理數據之間的相似性因子。然后根據處理后的數據和數據間的相關關系構建模糊矩陣。假設樣本數據集表示為N=(n1,n2,…,nk)，其中，n表示數據集中的序列數據，構造得到模糊矩陣Z：

其中，zij表示不同數據間的模糊關系，通過對數據模糊關系進行分析，能夠得到數據模糊矩陣。模糊矩陣可以將數據間的相似性關系表達出來，因此可以在模糊處理的基礎上對樣本數據進行分類處理，得到安全態勢感知處理所需的樣本數據集。

針對網絡中存在的網絡入侵或攻擊等安全問題，采用博弈論和學習算法對網絡環境中的安全態勢問題進行調整。安全態勢感知機制的設計原則如圖3 所示。

圖3 安全態勢感知機制的設計原則

將采集提取出的數據樣本和相似性因子按照安全態勢因素要求分類，輸入滿足要求的數據和因子參數，通過分層神經網絡分析技術進行數據樣本關系分析和關系網絡建立。將運算得到的數據網絡與數據集參數進行對比，對存在誤差部分進行調整，使神經網絡模型能夠實現存在對應關系的數據輸入和輸出[16]。

然后，根據數據樣本的值域和屬性選擇合適的參數，基于博弈論的交互處理過程，調整數據信息的學習策略。將分層網絡輸出的數據作為安全態勢感知數據矩陣的輸入節點，以神經網絡模型中的感知神經元和神經網絡關系作為學習模型的基礎。輸入的數據信息經過博弈處理，與輸出數據形成對應關系，運算過程如下：

其中，λ是函數的陡度參數，m是數據樣本總數，將輸入的數據經過函數激活，得到存在異常因子的數據信息，表現出存在網絡不穩定安全因素的信息特征。感知模型如圖4 所示。

圖4 感知模型

對這些不穩定因素需要進行進一步的分析來判斷，通過加權運算對異常因素數據信息進行學習模擬：

其中，Δrij為加權后的節點數據，根據學習策略和博弈關系判定后能夠得到網絡數據是否存在異常安全因素。將反饋得到的數據與原樣本數據進行對比，根據安全態勢感知規則，調整存在錯誤的數據，然后將輸出層數據結果與網絡中的信息數據進行匹配，并對時間誤差進行處理：

其中，Q表示數據節點對應的時間誤差參數，θk表示節點的步長參數，排除時間誤差得到的數據為更真實的網絡安全態勢感知數據信息。

3 實驗研究

為了驗證研究方法的實際應用效果，以某公司的網絡系統為實驗對象進行實驗研究。首先，采集該公司某一段時間內的網絡運行數據信息作為計算樣本數據集，采集內容主要為存在網絡安全問題的網絡訪問信息、網絡運行速度以及設備存儲信息等。將采集到的數據進行預處理，得到的數據可以通過模糊關系分析得到數據的模糊矩陣。對模糊矩陣輸出的數據進行博弈分析和學習模型構建。

網絡拓撲結構如圖5 所示。

圖5 網絡拓撲結構

將實驗中的數據輸入到學習模型中，形成了以30 個關鍵節點為中心的數據關系集群。實驗參數如表1 所示。

表1 實驗參數

表1 的實驗數據能夠滿足高效運行的數據信息處理。通過計算機數據運算程序對網絡安全信息數據進行學習模型構建，得到存在異常的數據信息，排除時間差異因素后，對數據的相似性因子進行博弈分析，并與原數據信息及關聯性分析結果進行對比，調整存在誤差的數據運算結果，得到最后能夠具體體現網絡安全態勢的數據信息。

累積風險值結果如圖6 所示。

圖6 累積風險值結果

根據圖6 可知，該文提出的方法累積風險值誤差更小，對網絡正常運行的影響很小，網絡的運行狀態比較穩定，且網絡運行速度仍然很高，采集到的數據通過預處理篩選后得到的數據具有較高的真實性和完整性，整個數據采集和處理的過程用時也比較短。對處理過程中的網絡運行狀態進行風險評定，得到評定等級為低風險，說明了該文研究的方法在數據處理過程中有較高的工作效率和穩定性，數據的處理對網絡系統運行的影響很小，進行網絡安全態勢感知的風險也很低。

誤差率感知實驗結果如表2 所示。

表2 誤差率感知實驗結果

從實驗得到的安全態勢感知數據結果來看，該文方法具有較低的誤差率。該文方法在對網絡安全態勢感知數據運算處理過程中，基于大數據的運算機制，選用了模糊聚類算法、博弈論分析以及機器學習等方法，對數據信息和相似性因子進行了多層次的運算和關系構建，還對時間誤差問題進行了還原計算處理。得到的計算結果誤差率很低，說明經過多層次運算的數據具有較高的計算精準度，能夠更加直接真實地反映網絡安全態勢問題。

綜上所述，該文研究的基于大數據的網絡信息傳輸安全態勢感知算法能夠通過多種算法的運算得到精準的網絡安全問題信息，并且能夠保持網絡系統的安全穩定，具有較低的風險值，有利于對大規模網絡系統進行網絡安全態勢感知，不僅具有高效率、低風險的優點，還有較低的數據運算誤差率。

4 結束語

該文利用綜合聚類分析算法，提取出網絡安全態勢感知的內部數據，確定感知機制，對智能電網的內部數據進行深入分析，根據分析結果得到評估結論。相較于傳統的網絡安全態勢感知算法，該文算法計算能力更強，能夠更好地分析出網絡安全風險值，降低評估的誤差率。